Introducción

a la transformación
digital industrial
Industria 4.0

Pablo A. Huergo
 ¿Qué es la digitalización en la
industria?
•  Web 1.0/Web 2.0/Web 3.0 (Redes sociales)

•  Cuarta revolución industrial – Industria 4.0

Muy básicamente, la digitalización de los procesos
producLvos en las fábricas para obtener más compeLLvidad
(reducir costes, más eficiencia, descubrir fármacos más
rápidamente...)
•  Digitalizar las cadenas de valor a través de la integración de
tecnologías de procesamiento de datos, so9ware inteligente
y sensores (wikipedia).
•  Pero ¿realmente es algo más?
Es un PROFUNDO CAMBIO ORGANIZATIVO
Phases of Industrial Revolution

Mechanical Conveyer Programmable Industrie 4.0

Loom Belt Controller Today
1784 1870 1969

1.
Mechanization
2.
Electrification
3.
Automation
4.
Networking

www.telit.com
hTp://ceeialcoi.emprenemjunts.es/?op=8&n=14840
¿Qué hace posible la digitalización?
•  Concepto de digitalización: converLr las
señales del mundo analógico en digital.

•  Los avances tecnológicos son los que han

hecho posible que el proceso de digitalización
se haya podido extender al ciclo producLvo de
las industrias.
Una curiosidad del mundo digital

hTp://www.marLnhilbert.net/worldinfocapacity-html/ (2011)
 Algunos avances tecnológicos
•  IoT/IIoT (internet of Things) •  UAV (Unmaned Aerial Vehicles)
•  BigData/AnalyKcs •  3D prinKng
•  AI (ArLficial Intelligence) •  Sensors, SCADA-PLC / DCS
•  Ciberseguridad •  ProductLifeCycle,
•  VirtualizaKon / Cloud QuantumLifeCycle…
•  Augmented Reality •  HTTPS, MQTT, M2M
•  Virtual Reality •  ERP, MPR, MPS, MES...
•  Robots / bots •  Apps, wearables
•  Blockchain •  ...

hTps://www.pharma-iq.com/pre-clinical-discovery-and-development/white-papers/the-future-of-drug-discovery-ai-2020
 Gartner’s Hype cycle 2014

hTps://www.gartner.com/newsroom/id/2819918?_ga=1.51071721.1904172021.1401730474
hTps://www.gartner.com/smarterwithgartner/top-trends-in-the-gartner-hype-cycle-for-emerging-technologies-2017/
hTps://www.accenture.com/t20170116T084450__w__/us-en/_acnmedia/Accenture/Conversion-Assets/WEF/PDF/Accenture-DTI-execuLve-summary.pdf
 ¿Y el IoT – Internet of Things?
El Internet of things (o IoT, término
acuñado por Kevin Ashton,
cofundador del Auto-ID Center del
MIT) es la interconexión de
disposiKvos [sicos, vehículos
(también conocidos como
"disposiLvos conectados" y
"disposiLvos inteligentes"), edificios
y otros elementos, integrados con
electrónica, sopware, sensores,
actuadores y conecLvidad de red
que permiten a estos objetos
hTps://en.wikipedia.org/wiki/Internet_of_things
recopilar e intercambiar datos.
 Un culLvo perfecto para el IoT
•  El acceso a Internet de banda ancha es cada vez
más común (3G, 4G…)
•  El coste de conexión a internet está
disminuyendo.
•  Los costes de la tecnología están bajando.
•  Se están creando más disposiLvos con
capacidades Wi-Fi y sensores incorporados.
•  La penetración de los teléfonos inteligentes está
aumentando.
El IoT es una gigantesca red de "cosas
y personas" conectadas.
•  Y es la nube, en funcionamiento desde el año
2000, la que posibilita #IoT#.
•  El entorno se ha converLdo en la interfase, en
dónde debemos aprender una nueva forma de
“dar senKdo”.
•  “Dar senKdo” es la habilidad de leer datos como
datos y no como ruido. Este es el reto al que
todavía nos enfrentamos hoy en día.

hTp://www.theinternetophings.eu
 IIoT-Industrial Internet of Things
“La principal diferencia es que, cuando los
consumidores de IoT a menudo se centran en la
conveniencia para los consumidores
individuales, la IoT Industrial se centra en gran
medida en la mejora de la eficiencia, la
seguridad y la producKvidad de las operaciones
con un enfoque en la rentabilidad de la
inversión”


Bill Morelli, director asociado en IHS Tecnologías de la Información y Telecomunicaciones de M2M y la Internet de las Cosas
 Key impacts of IoT on Industry
•  AutomaLon: Conectar máquinas, sensores y actuadores a sistemas
informáLcos permite un alto grado de automaLzación de procesos.

•  IntegraLon: La integración de los datos de una máquina con los

datos de otras fuentes, como los sistemas ERP, las bases de datos abiertas
y fuentes de medios sociales, aumenta en gran medida el valor derivado
de la conexión de la máquina.

•  “ServiLzaLon”: Juntas, la automaLzación y la integración ayudan a

las organizaciones a pasar de modelos comerciales centrados
principalmente en productos a modelos comerciales orientados al
servicio, también conocidos como "serviLzación".


Sam Lucero, Senior Principal Analyst, M2M and IoT , IHS Technology
hTps://cdn.ihs.com/www/pdf/enabling-IOT.pdf
hTps://www.firstanalyLcs.com/single-post/2017/05/08/Bewildering-Technology-Landscapes
 Sistemas Ciberzscos - CPS
•  Los CPS se uLlizan cada vez que se necesita poner un sistema [sico complejo en
comunicación con el mundo digital.
•  Cada vez más importante en los procesos industriales y en el control de la
producción (fábricas inteligentes), sobre todo en el contexto del IIoT.
•  Un sistema ciberzsico está compuesto por objetos, electrónica y so9ware.
Los objetos se conectan entre sí directamente o a través de internet, formando un
único sistema.
Esos objetos consisten en dos Lpos de elementos: sensores y actuadores. Ambos
conectan el CPS con el mundo exterior. Los datos se ponen a disposición de
disLntos servicios conectados en red, que los uLlizan para enviar órdenes a los
actuadores, los cuales ejecutan acciones en el mundo zsico.
•  Es la fusión entre el mundo zsico y el ciberespacio que ha hecho posible el
internet de las cosas IoT.
•  En la producción industrial, los sistemas ciberzsicos se uLlizan para construir
arquitecturas basadas en internet que facilitan el control remoto de sistemas de
producción autónomos.
•  Actualmente, ya se uLlizan CPS en el suministro de energía, el control del tráfico,
la asistencia a la conducción y muchas otras áreas.



hTps://www.hbm.com/es/6267/sistemas-ciberfisicos-el-esqueleto-del-iiot/
¿Pero qué es BigData?
 Definición de Big Data
BigData es información en gran volumen,
de alta velocidad y/o alta variedad que
exige formas innovadoras y rentables de
procesamiento de información que
permitan una mejor comprensión, toma
de decisiones y automaLzación de
procesos. (Gartner)
hTp://www.gartner.com/it-glossary/big-data/
hTp://www.iic.uam.es/wp-content/uploads/2016/11/Big-Data-Vs.jpg
 Las 7 V’s del BigData…
1.  Volumen – Data at scale (volumen - datos a escala)
2.  Velocity - Data in MoLon (velocidad - datos en movimiento)
3.  Variety - Data in Many Forms (variedad - datos de muchos Lpos)
4.  Veracity – Veracidad: Se refiere a la incerLdumbre o confiabilidad de los datos.
5.  VisualitaKon - Visualización: modo en el que los datos son presentados.
6.  Viability - Viabilidad: Capacidad de generar un uso eficaz de un gran volumen de
datos
7.  Value - Valor: Se refiere a nuestra capacidad de converLr nuestros datos en valor y
es por eso que el valor es una de las V´s del Big Data que más importa.
HTp://www.ibmbigdatahub.com/blog/why-only-one-5-vs-big-data-really-maTers
hTp://www.iic.uam.es/innovacion/big-data-caracterisLcas-mas-importantes-7-v/

ÚlLmamente ha aparecido otras V´s:

8.  Variability: significa que los sistemas Big Data deben disponer del mismo Lpo de
elasLcidad que es requerido en cloud compuLng y otros entornos virtualizados.
9.  VolaKlity: Por cuánto Lempo son válidos los datos y por cuánto Lempo han de
estar almacenados.
Fuentes de datos de BigData

hTps://www.ibm.com/developerworks/ssa/local/im/que-es-big-data/Big-Data-Types.jpg
 Tipos de datos
•  Structured Data: El data warehouse conLene datos
estructurados y sólo datos estructurados. En los RDBMS la
estructura es obligatoria.

•  Unstructured Data: Esencialmente todo lo demás que no

ha sido específicamente estructurado (texto libre,
imágenes y videos, archivos de audio y algunos Lpos de
medios sociales). No hay eLquetas (metadatos sobre los
datos) y ningún esquema establecido.

•  Semi-Structured Data: La línea entre datos no

estructurados y semiestructurada es un poco borrosa.
Texto: XML, correo electrónico o mensajes de intercambio electrónico de
datos (EDI). Registros del servidor web y patrones de búsqueda.
Datos de sensores.
 “Dark data”

Según IBM, esto ha creado el fenómeno conocido como "Dark Data",

ya que menos del 1 por ciento de los 25 mil millones de gigabytes de
datos generados diariamente se extrae para obtener información.
hTps://www.firstanalyLcs.com/single-post/2017/05/08/Bewildering-Technology-Landscapes
 Big Data & AnalyLcs – Business Value
from Business AnalyLcs
•  CogniKve - Tell me the best course of acLon? – Cúal es
la mejor línea de acción
•  PrescripKve - How can we achieve the best outcome? -
ULliza los datos para prescribir aquellas acciones que
incrementen nuestras posibilidades de obtener los
mejores resultados.
•  PredicKve - What could happen? - ULliza los datos
para determinar qué puede pasar en el futuro.
•  DescripKve - What has happened? - ULliza los datos
para explicar el pasado.
•  InformaKon Layer - How is data managed and stored?
- Cómo están almacenados los datos
 AI
•  Básicamente, la inteligencia exhibida por las máquinas.
•  El desarrollo de algoritmos y la velocidad para procesar datos
permite que las computadoras realicen tareas que
normalmente requerían de una o varias personas.
•  La IA es un concepto que engloba el aprendizaje automáKco
y el desarrollo de programas que pueden enseñar,
comprender, razonar, planear y actuar en base a los nuevos
datos.
•  En algunas industrias es “posible” que la AI asesore a clientes
sobre sus decisiones de compra
… pero ¿siempre? (MD Anderson / IBM Watson)
hTps://www.forbes.com/sites/maThewherper/2017/02/19/md-anderson-benches-ibm-watson-in-setback-for-arLficial-intelligence-in-medicine/#564f6ca83774
 Previsiones
•  El 35% de los datos serán considerados úLles
para las empresas en 2020 pero estas deberán
extraer su valor, según estudio de EMC e IDC.

hTp://www.computerworld.es/tendencias/el-universo-digital-
se-expande-acelerado-por-el-crecimiento-de-los-datos (2014)
 Penetración en internet
•  La penetración de usuarios en Internet en el 2015 se mulKplicó
por siete desde el año 2000
•  Entre 2000 y 2015 la penetración de Internet se ha mulLplicado
casi por siete, pasando del 6,5 al 43 por ciento de la población
mundial.
•  Proporción de hogares con acceso a Internet aumentó del 18 por
ciento en 2005 al 46 por ciento en 2015.
•  Los datos de la UIT (Unión Internacional de Telecomunicaciones de
la ONU) también indican que en el mundo en desarrollo sigue
habiendo 4 000 millones de personas sin acceso a Internet. De los
casi 1 000 millones de personas que viven en países menos
adelantados (PMA), 851 millones no uLlizan Internet.

hTp://www.itu.int/net/pressoffice/press_releases/2015/17-es.aspx
Un estudio realizado en el 2015 por la
OBS Business School
•  En 2020, más de 30 mil millones de disposiKvos estarán
conectados a Internet.
•  En 2014 se transfieren 1.570 terabytes de información por minuto.
•  En 2014 el número de proyectos Big Data puestos en producción ha
crecido un 5%.
•  Las soluciones tecnológicas Big Data aportarán 206.000 millones de
euros a la economía de Europa en el año 2020, un incremento en el
PIB de la Eurozona de un 1,9%.
•  Las áreas donde el Big Data ha demostrado ser un gran aliado de
las empresas son en la mejora de la experiencia de cliente y en la
mejora de la eficiencia de los procesos de negocio.
•  El 95% de las empresas apostarán por el IoT en un plazo máximo de
tres años.


hTp://www.obs-edu.com/es/noLcias/estudio-obs/en-2020-mas-de-30-mil-millones-de-disposiLvos-estaran-conectados-internet (2015)
hTp://www.cnet-training.com/news/what-happens-in-an-internet-minute/
hTps://wearesocial.com/special-reports/digital-in-2017-global-overview
 Otro estudio: OBS Business School (2016)
El informe de OBS indica que el 65% de las empresas saben que corren el riesgo
de converKrse en irrelevantes o no compeKKvas si no adoptan Big Data

•  En los próximos 2 años, hasta el 75% de las empresas inverLrá en Big Data.
•  Wi-Fi: A nivel mundial, el total de puntos de acceso públicos W-Fi aumentarán
en 7: desde 64,2 millones en 2015, a 432,5 millones en 2020.
•  Volumen de descargas: aumento de un 51% (3,9 exabytes / mes) en 2015 a
55% (38,1 exabytes / mes) para el año 2020.
•  En 2020, se esLma que habrá 601 millones de disposiKvos portáKles a nivel
mundial, mulLplicando el dato actual por 5: de 97 millones en 2015 a una tasa
compuesta anual del 44%.
•  Tráfico de datos: En 2015, el tráfico 4G superó el tráfico 3G y ahora
representa la mayor parte del tráfico de datos móviles por Lpo de red.
•  Smartphones: La parte de los disposiLvos inteligentes y conexiones como un
porcentaje del total aumentará del 36% en 2015, al 67 % en 2020.
hTp://www.obs-edu.com/es/noLcias/estudio-obs/estudio-obs-big-data-2016
(Estudio sobre la adopción del “Big Data” por parte de las empresas. José María Moroto. Profesor de Data
Management en la OBS Business School” - 2016).
 Casos Reales
•  Exploración de datos, encontrar, visualizar, entender,
•  Automoción, mantenimiento, control remoto
•  Energy forecasLng
•  Seguridad y Detección de fraude (eléctricas, bancos…),
gesLón de demanda (eléctricas…)
•  Mejorar la visión de los clientes
•  Análisis de operaciones
•  Aumentar la eficiencia en data warehouse
•  Genómica (3 billion base pairs)
•  healthcare – biomedicina
 Virtualización
•  Es la emulación del hardware zsico a través
de un sopware conocido como hipervisor, con
el cual se pueden correr simultáneamente
disLntos sistemas operaLvos en un mismo
host zsico.
 Cloud
•  La computación en la nube o servicios en la nube, es un
paradigma que permite ofrecer servicios de computación a
través de internet.

•  Estos servicios pueden ser

consumidos “virtualmente” desde
cualquier disposiLvo con acceso a
internet como PC’s, laptops,
disposiLvos móviles, entre otros.

•  Toda la infraestructura y plataforma en la cual se encuentran

alojados estos servicios es transparente para el usuario.
hTps://en.wikipedia.org/wiki/File:Cloud_compuLng.svg
 Tipos de nube
HÍBRIDA
Es la unión de los servicios que el cliente Lene en su nube
privada y los servicios contratados al proveedor de nube pública

PRIVADA PÚBLICA
La empresa es dueña de la Terceras partes son dueños de la
infraestructura y se encarga de infraestructura y responsables de la
darle mantenimiento a la misma instalación, gesLón, provisión y
(Centros de datos on-premise). mantenimiento de la misma.
 Pre-Historia del Cloud

Cluster CompuLng Cloud CompuLng Grid CompuLng

 Ventajas del cloud
•  Gran capacidad de ancho de banda,
•  Recursos (aparentemente) ilimitados,
•  Rápida elasKcidad y expansión,
•  Uso fácil y automáKco para el usuario,
•  Recursos monitorizados
•  OpKmización de recursos: MulLplexación estadísLca
•  Centralización de gesLón: Disponibilidad
•  Flexibilidad: Capacidad computacional donde se
necesite
•  Recuperación de desastres – Backup
•  Ahorro: Recursos agregados y actualizaciones adiLvas
 Servicios del cloud
IaaS PaaS SaaS

Propietario / Cliente Proveedor

Modelos de Servicios en la nube
•  Modelo de distribución de sopware donde un tercero sirve el
mantenimiento, soporte y operación de las aplicaciones y datos
de un cliente.
•  Las aplicaciones son hospedadas en la web y ofrecidas a los
clientes a través de una red de datos (•picamente internet).
•  SaaS es probablemente el Lpo de servicio más común en la nube
y usado diariamente por miles de usuarios que no conocen este
termino.
•  P.e. Google Docs
•  A través de este modelo se ofrece todo lo necesario para
soportar el ciclo de vida completo de construcción y despliegue
de aplicaciones web.
•  El cliente no necesita instalar, configurar ni mantener sistemas
operaLvos, sistemas de bases de datos y servidores de
aplicación.
•  Existen limitaciones a nivel del entorno de ejecución: Sistemas a
uLlizar, lenguajes, modelos de bases de datos, entre otros.
•  P.e. Bluemix, Docker, Google Cloud Pla8orm, Salesforce, Cloud
Foundry…
•  También llamado HaaS (Hardware as a service), es el modelo
de distribución de infraestructura de computo como servicio;
normalmente mediante una plataforma de virtualización.
•  Recursos como equipos de red, espacio de almacenamiento y
servidores son proporcionados por un proveedor de servicios
externo.
•  Cloud público (o comercial): Amazon EC2, MicrosoJ Azure,
RackSpace, Google Cloud… (CSP – Cloud Service Provider)
•  Cloud privado: OpenNebula, Eucalyptus, OpenStack…
 Previsiones del cloud compuLng

CAGR (Compound annual growth rate) - la tasa de crecimiento anual compuesto

hTp://evaluandocloud.com/mercado-de-cloud-compuLng-previsiones-de-adopcion-y-crecimiento/
 ¿Y en el mundo farmaceúLco?
•  Las empresas están “obligadas” a simplificar sus procesos y reducir
costes.
•  Muchas empresas farmacéuLcas y ciencias biológicas consumen
computación en la nube como SaaS (sopware-as-a-service)
•  La realidad es que la industria todavía está en los primeros días de
la adopción de la nube. Para muchas, la barrera sigue siendo el
miedo por la seguridad. Las empresas farmacéuLcas Lenen una
gran canLdad de datos confidenciales, incluyendo la propiedad
intelectual e información del paciente. Como resultado, la
necesidad de proteger esta información es primordial para la
supervivencia de negocio.
•  Por esta razón, la nube híbrida es ideal para el sector. Ofrece a las
empresas la opción de almacenar sus datos confidenciales y
aplicaciones del núcleo del negocio en una nube privada, y
aprovechar el poder de la nube pública cuando sea necesario.

hTps://www.scienLficcompuLng.com/arLcle/2017/06/how-cloud-compuLng-can-shape-pharmaceuLcal-industry
 SaaS soluLon for Clinical Trial

hTps://www.pharmamanufacturing.com/arLcles/2015/cloud-compuLng-in-pharma/
hTps://www.bvp.com/blog/bvp-cloudscape-top-300-private-cloud-companies-0 (2014)
 Ciberseguridad
•  ISO/IEC 27032 Guidelines for cybersecurity:
“The complex environment resulLng from the interacKon of people,
so9ware and services on the Internet by means of technology devices
and networks connected to it, which does not exist in any physical form.”

•  ObjeLvo, conseguir y mantener las propiedades de la seguridad, CIA:

ConfidenKality, Integrity, Availability
•  InformaLon Assurance Model (IT): People, Technology, Process
•  MikeDan’s SoluLons Matrix (IT):
Trade-off Security+Usability+CostEffecKve

•  hTps://www.certsi.es , hTps://www.incibe.es …
•  Algunos modelos de protección para la industria nos instan a fijarnos en 3
conceptos:
–  Seguridad de planta ( controles de acceso…)
–  Seguridad de red (DMZ, firewalls…)
–  Integridad del sistema
 CIIP (CriLcal InformaLon Infrastructure ProtecLon)

•  La ciberseguridad trabaja sobre amenazas globales e incerLdumbre legal:

–  Las leyes para la seguridad informáLca son inadecuadas en la era de internet.
–  La arquitectura de Internet hace prácLcamente imposible atribuir un ataque a quien lo ha
iniciado.
–  Debido a sus orígenes en los servicios militares y diplomáLcos, la seguridad de la información
suele centrarse en la confidencialidad. A pesar de que WikiLeaks ha destacado la importancia
de la confidencialidad, la ciberseguridad se centra también en la integridad y la
disponibilidad.
 Naturaleza del ciberespacio
Dada la complejidad de definir un término como ciberespacio, vamos a
abordar su naturaleza dividiéndolo en 4 capas:
•  Personas: Quienes parLcipan en la ciberexperiencia,
comunicándose, trabajando con información, tomando decisiones,
llevando a cabo planes, transformando la naturaleza del
ciberespacio trabajando con sus servicios y capacidades.
•  Información: Almacenada, transmiLda y transformada en el
ciberespacio.
•  Bloques lógicos: ConsLtuyen los servicios y dan soporte a la
naturaleza de la plataforma del ciberespacio.
•  Física: Da soporte a los bloques lógicos.

Los ataques pueden producirse en las 4 capas, desde la destrucción de
componentes zsicos a engañar a personas, pasando por comprometer
elementos lógicos o corromper información.
 Un pequeño paréntesis (),
¿que pasa con la privacidad?
•  2000- Latanya Sweeney encontró que el 87% (216 millones de 248
millones) de la población en los Estados Unidos había
proporcionado caracterísLcas que probablemente les hicieron
únicos basadas solamente en los 5 dígitos del ZIP, el sexo y la fecha
de nacimiento.
•  Alrededor de la mitad de la población de los Estados Unidos (132
millones de 248 millones o 53%) es probable que sea idenLficado
de manera única por el lugar, el sexo y la fecha de nacimiento;
donde el lugar es básicamente la ciudad o municipio en el que
reside.
•  E incluso a nivel de condado, con el condado, el género y la fecha
de nacimiento, es probable que idenLfiquen de manera única al
18% de la población de los Estados Unidos. En general, son
necesarias pocas caracterísLcas para idenLficar de manera única a
una persona.

hTp://dataprivacylab.org/projects/idenLfiability/
 Ejemplos reales… idenKficación
•  El 16 de febrero de 2012, el New York Times
publicó un ar•culo acerca de la capacidad de
la empresa americana Target de idenLficar
cuando una cliente está embarazada, a través
de detalles ínLmos sobre sus patrones de
consumo con los minoristas.
•  hTp://www.nyLmes.com/2012/02/19/
magazine/shopping-habits.html?_r=0
 Ejemplos reales…
predicción de comportamiento
•  Raytheon Riot Sopware predice
comportamiento basado en Social Media.
Para ello uLliza los datos y fotos colgados en
Facebook y otras redes sociales, los mini-
mensajes de TwiTer y además aprovecha la
localización por GPS que la gente acLva en sus
smartphones y con aplicaciones como
Foursquare u otras.
hTps://www.theguardian.com/world/2013/feb/10/sopware-tracks-social-media-defence
 Ejemplos reales… detección del crimen
Paper: Andrey Bogomolov, Bruno Lepri, JacopoStaiano, Nuria Oliver, Fabio Pianesi, and Alex Pentland. Once
Upon a Crime: Towards Crime PredicKon from Demographics and Mobile Data. 2014.

La principal contribución del enfoque de ese estudio radicó en
el uso de datos agregados y anónimos de comportamiento
humano derivados de la acKvidad de redes móviles para
abordar el problema de la predicción del crimen. Aunque
también se uLlizaron tanto datos históricos de antecedentes
como el perfil de los infractores, los resultados apoyaban la
hipótesis de que los datos agregados de comportamiento
humano capturados de la infraestructura de redes móviles, en
combinación con información demográfica básica, pueden
usarse para predecir el crimen. Con datos reales de la
delincuencia de Londres obtuvieron una precisión de casi el 70%
al predecir si un área específica en la ciudad iba a ser un punto
críLco del crimen o no.

hTps://arxiv.org/pdf/1409.2983v1.pdf
Ejemplos reales… The end of privacy
Science Special Issue | 30 January 2015 - The end of privacy

En este trabajo (Yves-Alexandre de Montjoye, Laura Radaelli,
VivekKumarSingh, Alex “Sandy” Pentland. Unique in the
shopping mall: On the reidenLfiability of credit card
metadata. Science30 January2015: Vol. 347 no. 6221 pp.
536-539 DOI: 10.1126/science.1256297) se estudian y
analizan 3 meses de registros de tarjetas de crédito de 1,1
millones de personas y los autores demuestran que 4 puntos
espacio-temporales son suficientes para reidenLficar el 90%
de los individuos. Se demuestra que saber el precio de una
transacción aumenta el riesgo de reidenLficación en un 22%,
en promedio.
 Mundo de la salud
•  De acuerdo al estudio de 2011 del Kinsey Global InsLtute sobre big
data, uno de los más referenciados en la Web, si la sanidad en
Estados Unidos uKlizara BigData de forma creaKva y eficaz para
impulsar la eficiencia y la calidad, el sector podría crear más de
300.000 millones de $ en valor cada año. Dos tercios de ése sería
en forma de reducción de los gastos de salud de los EEUU en cerca
de 8 por ciento. En las economías desarrolladas de Europa, las
administraciones podrían ahorrar más de 100.000 millones de € en
mejoras en la eficiencia operaLva uLlizando BigData (sin incluir
BigData para reducir el fraude y errores ni aumentar la
recaudación de impuestos).
hTp://www.mckinsey.com/business-funcLons/digital-mckinsey/our-insights/big-data-the-next-fronLer-for-innovaLon

•  Pero… cómo acceder, distribuir y uKlizar la vasta canKdad de

datos “no estructurados”. Los pacientes, las clínicas, los hospitales
Lenen canLdades masivas de datos clínicos, en formatos escritos
en papel o electrónicos pero que permanecen sin uLlizar por la
dificultad e imposibilidad material de “digerirlos” de forma efecLva,
por muy buenos deseos que pueda tener el equipo sanitario.
 ¡Por qué el BigData revolucionará la farmacia!

Según ar•culo publicado por EFE-SALUD en el 2015:

•  Big Data permiLría “cruzar muchos datos de disKntas fuentes
como pueden ser los propios pacientes, ensayos clínicos o datos
moleculares y celulares” (Ignacio Hernández, neurólogo del
Hospital Ramón y Cajal)
•  los laboratorios podrían “probar nuevos fármacos de forma
simulada sin la necesidad de hacer esas reacciones dentro de un
laboratorio”
•  los farmacéuLcos comunitarios “pueden recopilar datos de
colegios de farmacéuKcos, el número de visitas que reciben cada
día a sus establecimientos, las necesidades de los pacientes, la
canKdad de productos de los que disponen, sus precios…”




hTp://www.efesalud.com/noLcias/big-data-revoluciona-sector-farmaceuLco/ (2015)
¿Cómo puede BigData ayudar en la industria farmaceúLca?
2015 - Informe de bigdata y salud, realizado por Planner Media y Prodigioso Volcán

Desde Janssen (Teresa Hernando, Real World Data Manager)

•  explican cómo “con la aplicación de las TIC en el ámbito de la salud, y el
desarrollo de nuevos sistemas de recogida de información uLlizados por
pacientes, cuidadores y personal sanitario (apps, disposiLvos wearables,
redes sociales…) han aparecido fuentes masivas de datos de salud”.
(historia clínica electrónica, la receta electrónica, los registros de
enfermedades…)
•  SosLenen que es en el ámbito de la prácLca clínica donde se puede
evaluar, por medio de estudios observacionales, el valor que los
medicamentos aportan en la “vida real”.
•  Han iniciado una línea de trabajo cuyo pilar común es proporcionar
soluciones que aporten herramientas innovadoras que mejoren los
resultados en salud y con ello la atención sanitaria y el cuidado de los
pacientes (app, wearables…).
•  Quieren contribuir al avance de la invesLgación clínica de la mano del
desarrollo de nuevos sistemas de información



hTp://losdelvolcan.com/clientes/2015/planner-media/bigdatasalud/
¿Cómo puede BigData ayudar en la industria farmaceúLca?
2015 - Informe de bigdata y salud, realizado por Planner Media y Prodigioso Volcán

En ese mismo informe, también vemos el enfoque de Federico Plaza, director

de Government Affairs en Roche Pharmaceu<cals:
•  En el plano más local, en España, hay que orientar toda esta información
de datos en vida real para gesKonar mejor cómo se uKlizan los productos.
•  La importancia de los datos para conocer en la prácLca la diferencia (el
gap) que hay entre la eficacia -que es lo que se mide en los estudios
clínicos- y la efecKvidad -lo que pasa en la vida real- y sus causas, ver
cómo se puede corregir, ver si se pueden detectar necesidades no
cubiertas y orientar nuevas vías de invesLgación
•  en España el reto que tenemos es que en las patologías relevantes,
cuando se produzca un medicamento, exista un registro de pacientes
•  ya se está dando en otros países como Italia -a empezar a pagar los
medicamentos en función del valor que aportan, en función de los
resultados en salud más que en función de los miligramos de sustancia, de
principio acLvo
•  hacer sostenibles nuevos productos que Lenen precios elevados, ya que
“su desarrollo es costoso y van orientados a pocos pacientes”.


hTp://losdelvolcan.com/clientes/2015/planner-media/bigdatasalud/
 Pharmacy roboLc dispensing and
planogram analysis using associaLon
rule mining with prescripLon data
•  Estudio realizado por Nourma
Khader y Sang Won Yoon del
Department of Systems Science
and Industrial Engineering
(State University of New York,
Binghamton) y Alecia Lashier
de InnovaZon Associates.
•  Estudio realizado en el 2015 y
publicado en 2016 (disponible
online desde el 10-Marzo-16)
hTp://www.sciencedirect.com/science/arLcle/pii/S0957417416300781
 El análisis de Big Data en distribuidores y
cadenas de farmacias – 2016 – Estudio RPDS
•  Para hacerlo aplicaron una técnica de asignación de
ubicaciones ópLmas para determinados medicamentos en
función de su frecuencia de asociación con otros
medicamentos, demostrando cómo el método reduce el
coste global de procesamiento de recetas y mejora la gesKón
de inventario de medicamentos de la farmacia.

•  “En esta invesLgación, aplicamos análisis de Big Data para
mejorar la eficiencia de la automa<zación y ges<ón de
farmacia, encontrando diferentes reglas y patrones de los
medicamentos suscritos”, dice Sang Won Yoon.
“Adicionalmente, podemos aplicar esta invesLgación para
mejorar tanto la automaLzación y gesLón de farmacia, y para
ayudarnos a entender, a futuro, los temas de fidelidad y
con<nuidad de los pacientes con las medicaciones”.
hTp://www.sciencedirect.com/science/arLcle/pii/S0957417416300781
 Estudio de mejora
de la automaLzación en los sistemas RPDS
•  El conocimiento se obLene realizando minería de
datos sobre la base de datos de prescripciones.
•  La minería con reglas de asociación se usa para
descubrir las asociaciones entre los fármacos.
•  Se analizan los patrones de dispersión de
fármacos.
•  Se proporcionan diseños mejorados de
planogramas para sistemas de automaLzación de
farmacias.
hTp://www.sciencedirect.com/science/arLcle/pii/S0957417416300781
 ¿Qué se hace ahora con BigData?
•  Accelerate drug discovery and development - P.e. La aplicación de
análisis predicLvos a los parámetros de búsqueda debería ayudarlos a
afinar la información relevante y también a obtener una idea de cuáles
son las posibilidades de obtener los mejores resultados.
•  OpKmize and improve the efficacy of clinical trials - P.e. idenLficando a
los pacientes más adecuados para los ensayos clínicos analizando datos
demográficos e históricos
•  Target specific paKent populaKons more effecKvely – P.e. buscando un
gen específico
•  Beyer insight into paKent behaviour to improve drug delivery and
effecKveness and healthcare outcomes - P.e. evitar que los pacientes se
olviden de tomar la medicación
•  Improve safety and risk management - Analizar datos del mundo social
como aviso temprano.
•  Gain improved insight into markeKng and sales performance - Análisis
mercado / cómo se prescriben medicamentos

hTps://www.bigdatainpharma.com/6-ways-pharmaceuLcal-companies-are-using-big-data-to-drive-innovaLon--value-mc
¿Qué se puede hacer con BigData?
•  Realizar simulaciones de medicamentos
•  Obtener conocimiento a través de la minería de datos de
bases de datos de prescripciones
•  Mejorar las estrategias de automaKzación y gesKón de
farmacia
•  Ayudarnos a entender la fidelidad y conLnuidad de los
pacientes con las medicaciones
•  Obtener información sobre la opinión y
comportamientos de los clientes
•  Tener información epidemiológica de la vida real
•  Conocer en la prácLca la diferencia que hay entre la
eficacia -estudios clínicos- y la efecKvidad -vida real-
 Especial atención…
•  Anonimizar los datos
•  Conseguir que se digitalice todo
•  Conseguir que la información esté accesible
•  Atención a la veracidad de los datos
•  No olvidar el valor y la viabilidad en todo
proyecto
•  No subesLmar el coste de los recursos que
BigData lleva asociados (infraestructura,
personal formado, etc.)
 Pharma

PLC-BASED
INDUSTRIAL MONITORING

Challenge : Integration

Application: MES/ERP/MRP

Things:
Data collection from PLCs
Data
Manufacturing and quality
control data
Todo junto es lo que hace posible
la digitalización y la industria 4.0
Muchas gracias